Het kost jaren van studie en meerdere diploma's om een expert in datawetenschap te worden - tijd die professionals in de hotelsector niet hebben. Maar als u de basisprincipes van datawetenschap begrijpt, kunt u de winst van uw eigendom verhogen zonder dat u er veel voor hoeft te studeren. De nieuwste hoteltechnologie, zoals een slim systeem voor inkomstenbeheer, maakt datawetenschap toegankelijk - en zelfs gemakkelijk - voor hoteleigenaren en inkomstenmanagers, ongeacht uw expertiseniveau.
Deze gids leidt u door de elementen van datawetenschap die van toepassing zijn op het winstgevender runnen van uw eigendom, te beginnen met een snel overzicht van wat datawetenschap eigenlijk is. We laten u zien hoe een tool voor inkomstenbeheer machine learning kan gebruiken om de meer technische aspecten van datawetenschap voor uw managers gemakkelijk te maken. Lees verder om te leren hoe u datawetenschap kunt gebruiken om te profiteren van klantgegevens, prijstrends en branchegegevens om de winst te vergroten.
Wat is datawetenschap?
Datawetenschap is de praktijk van het extraheren van informatie uit data. Datawetenschap omvat het analyseren van grote hoeveelheden gegevens door middel van programmering en datamining om nuttige inzichten en intelligentie voor een organisatie te ontdekken.
Er zijn vijf algemeen aanvaarde fasen in de levenscyclus van datawetenschap. Zij zijn:
Capture: gegevens worden verkregen of geëxtraheerd (Google Analytics registreert bijvoorbeeld het aantal unieke bezoekers van uw hotelwebsite);
Onderhouden: gegevens worden opgeschoond en opgeslagen in een datawarehouse (Google Analytics slaat het aantal unieke bezoekers over vijf jaar op);
Proces: gegevens worden geclassificeerd, gemodelleerd, geclusterd en/of samengevat (Google Analytics kan unieke bezoekers reorganiseren op tijdstip, geografische locatie en verwijzingsbron);
Analyseren: via voorspellende analyse, regressie, kwalitatieve analyse of andere (Google Analytics kan u vertellen waar uw bouncepercentage ervoor kan zorgen dat u unieke bezoekers verliest);
Communiceer: inzichten worden gerapporteerd en gebruikt voor business intelligence en besluitvorming (Google Analytics-rapportage kan u vertellen of een marketingcampagne unieke bezoekers aan uw website toevoegt)
Door de opkomst van big data is data science een steeds populairder vakgebied. Big data beschrijft de grote hoeveelheid gestructureerde en ongestructureerde data die een bedrijf elke dag verzamelt. Datawetenschappers analyseren big data om hotels inzicht te geven om concurrenten te verslaan, meer te weten te komen over hun klanten en gerichte marketing- en prijscampagnes te voeren.
Wat doet een datawetenschapper?
Als de beschrijving van data science breed klinkt, is dat omdat het zo is. Gegevenswetenschappers voeren een breed scala aan gegevensgerelateerde taken uit, van "het optimaliseren van Google-zoekresultaten en LinkedIn-aanbevelingen tot het beïnvloeden van de krantenkoppen die Buzzfeed-editors voeren", schrijft Harvard Business Review .
Over het algemeen doorlopen datawetenschappers dit proces om big data te analyseren:
“Ten eerste leggen datawetenschappers een solide databasis om robuuste analyses uit te voeren. Vervolgens zetten ze onder meer online experimenten in om duurzame groei te realiseren. Ten slotte bouwen ze machine learning-pijplijnen en gepersonaliseerde dataproducten om hun bedrijf en klanten beter te begrijpen en betere beslissingen te nemen. Met andere woorden, in tech gaat datawetenschap over infrastructuur, testen, machine learning voor besluitvorming en dataproducten.”
Er is veel vraag naar datawetenschappers. LinkedIn rangschikte datawetenschapper als 'de meest veelbelovende baan van 2019'. Datawetenschapper stond bovenaan Glassdoor's lijst van de tien beste banen in Amerika. Uit gegevens van Indeed's vacatures blijkt dat datawetenschappers tussen $ 86.000 en $ 123.000 per jaar kunnen verdienen.
Vaak worden de termen 'datawetenschapper' en 'data-analist' door elkaar gebruikt, maar deze rollen verschillen enigszins. Een datawetenschapper richt zich op het creëren van de vragen; een data-analist richt zich op het beantwoorden van een bestaande reeks vragen. Een datawetenschapper probeert bijvoorbeeld het onbekende in te schatten met statistische modellen en voorspellende analyses. Ze ontginnen bestaande datapunten van het CMS, PMS, marketingcampagnes en meer van uw hotel om licht te werpen op gebieden zoals klantgedrag, operationele efficiëntie, prijsstelling en vraagvoorspelling. Een data-analist kan daarentegen in big data duiken om een specifieke vraag te beantwoorden, zoals "waarom is mijn RevPAR in het derde kwartaal gedaald?" Analisten zijn meer gericht op het oplossen van problemen dan datawetenschappers.
Waarin verschilt datawetenschap van machine learning en data-analyse?
Het wordt nog ingewikkelder als je het gebied van machine learning aan de mix toevoegt. Machine learning zet algoritmen in om gegevens te extraheren en toekomstige trends te voorspellen. Machine learning is een onderdeel van datawetenschap; door de opkomst van big data kunnen datawetenschappers datasets niet meer efficiënt met de hand manipuleren. Machine learning verwerkt datasets autonoom, zodat datawetenschappers zich kunnen concentreren op het grotere geheel.
Machine learning is te zien in het dagelijks leven; Netflix gebruikt machine learning om nieuwe series en films aan te bevelen op basis van je kijkgeschiedenis. Facebook gebruikt machine learning om interesses te voorspellen, vrienden aan te bevelen en u op de hoogte te stellen van mogelijke te volgen pagina's op basis van gedragsgegevens van gebruikers. Amazon gebruikt machine learning om producten aan te bevelen op basis van je browse- en aankoopgeschiedenis.
Machine learning speelt ook een grote rol in de horeca, met name in geavanceerde systemen voor inkomstenbeheer. Een RMS zoals IDeaS G3 maakt gebruik van machine learning met statistische methoden om geavanceerde prognoses en beslissingsoptimalisatie te produceren. Het algoritme van IDeaS houdt rekening met gegevens van tarieven van concurrenten, zoekpenetratie, boekingstrends en optimalisatiescores om een continu prijsmodel mogelijk te maken. De tool kan veel van de taken automatiseren die een datawetenschapper handmatig zou moeten uitvoeren; het prijsmodel haalt informatie op om prijsbeslissingen voortdurend bij te werken op basis van de laatste informatie.
Hoe kunnen hotelgroepen gebruikmaken van datawetenschap?
Slimme prijzen is slechts één voorbeeld waarbij datawetenschap een groot verschil kan maken in uw winstmarge. Opbrengstbeheer is een soortgelijk proces waarbij dynamische prijsstelling wordt gebruikt om de winstgevendheid rond vaste voorraadvoorraad te beheersen. Opbrengstbeheer is lastig: stel uw tarieven te hoog in en de vraag daalt. Stel je tarieven te hoog in en je offert omzet op voor volume. IDeAS' kan deze uitdagingen overwinnen door gebruik te maken vanmachine learning om de vraag te voorspellen. De tool kijkt naar patronen in historische gegevens van uw eigendommen en de markt in het algemeen. Vervolgens voorspelt het de vraag naar slimmere tariefaanbevelingen, die automatisch in realtime kunnen worden toegepast om de voorraad optimaal geprijsd te houden. "IDeaS-inkomstenbeheersystemen doen meer dan alleen de beste prijs bepalen, ze bieden hotels ook de mogelijkheid om te profiteren en analytisch de prijs per kamertype te bepalen en de meest winstgevende groepsactiviteiten te bepalen", schrijft een recensent .
Datawetenschap kan ook leiden tot slimmere klantsegmentatie en marketingautomatisering. Een typische marketingtool als Mailchimp kan segmentatie niet automatiseren , wat inhoudt dat het platform niet kan beslissen wanneer het de beste tijd is om een e-mail naar een specifieke gastcategorie te sturen. Alleen een platform dat gebruikmaakt van datawetenschap kan rekening houden met bestaande datapunten, zoals recentheid, frequentie, geldwaarde en verblijfsduur, om de juiste boodschap perfect aan het juiste publiek te timen. "Als een hotel zich bijvoorbeeld richt op gasten die waarschijnlijk gebruik zouden maken van spadiensten, golf en restaurants, in plaats van gasten die alleen kamerovernachtingen genereren, zouden ze de inkomsten en winstgevendheid aanzienlijk kunnen verhogen. Helaas wordt er vaak geld uitgegeven aan algemene campagnes die niet gericht zijn op individuele gasten of segmenten met aanbiedingen waar ze het meest waarschijnlijk op reageren", schrijft hij.een branche-analist .
Door doelgerichter te werken met datawetenschap, kon Starwood Hotels bepalen hoe ze de beste waarde uit vertaaldiensten voor haar vastgoedwebsites over de hele wereld konden halen. Starwood wendde zich tot datawetenschappers om te bepalen of het de moeite waard was om tijd en middelen te besteden aan het vertalen van sommige van hun merkwebsites in bepaalde talen. Ze gebruikten een model dat de omzet over twee jaar afweegde tegen de volledige doorlopende vertaalkosten op marktniveau. De formule leverde enorme bedrijfsresultaten op - tot 97% meer omzet, aldus Skift .
Gegevens die van uw website worden verzameld, kunnen worden gebruikt om de conversieratio's te verbeteren door te experimenteren met een reeks variabelen voor gebruikerservaringen, zoals het voorbeeld van Skift onomstotelijk aantoont. Een datawetenschapsaanpak kan de optimalisatie van de conversieratio met succes verbeteren. Door te experimenteren kan een manager leren welke statistieken hij moet beïnvloeden om verschillende configuraties van bestemmingspagina's te testen, de gegevens te analyseren en te herhalen. Test elk aspect van uw website-ervaring, van de kop tot de grootte van de knop 'Nu boeken', om ervoor te zorgen dat elk ontwerpdetail klaar is voor conversie.
Ten slotte zijn marktinformatiegegevens , van de RevPAR van concurrenten, bezettingsgraden en gemiddelde dagtarieven van STR tot gebeurtenisgegevens en tariefpariteitsgegevens, van cruciaal belang om de prijs van uw kamers te optimaliseren. Tariefpariteit is het verschil tussen de prijzen die worden vermeld op de website van een hotel en de prijzen die worden vermeld door een OTA. Deze dataset wordt vaak verborgen door niet-gecontracteerde OTA's en andere derde partijen. Beoordeel winkeltools dienen om dit probleem te verminderen door te laten zien hoe uw directe concurrenten hun kamers prijzen.
U hoeft geen datawetenschapper te zijn om datawetenschap in uw hotel te omarmen
Datawetenschapper zijn vergt een jarenlange opleiding. In plaats daarvan kunnen IDeaS-inkomstenoplossingen u direct strategisch advies en technische hulpmiddelen geven om uw inkomstenbeheer te verbeteren. Leer van hun team van datawetenschappers en gebruik hun software om analyses uit te voeren die anders een Ph.D. Volbrengen. Hier zijn slechts een paar van defuncties die software voor inkomstenbeheer kan bieden:
Prijsbepaling op basis van de vraag per kamertype: wanneer de vraag naar uw suites stijgt, verhoogt u automatisch de prijs van een suite zonder ook de prijs van een tweepersoonskamer te verhogen.
Virtual Revenue Management Service: laat een toegewezen branche-inkomstenexpert rechtstreeks met uw personeel werken om uw inkomstenstrategie te versnellen
Continue prijsstelling: de tool analyseert de zoekpenetratie, tarieven van concurrenten, boekingstrends en reputatiescores om de vraag te voorspellen en wordt voortdurend bijgewerkt als er nieuwe gegevens binnenkomen
Tariefpublicatie: update tarieven consistent en nauwkeurig voor alle kanalen om de hoogste boekingswaarde te bereiken tegen de laagste acquisitiekosten, zonder handmatige updates
Werk met beperkte gegevens: als uw datasets beperkt zijn, kan IDeaS gegevens van bestaande hotels klonen om baselines voor de vraag te bieden en het gedrag van gasten te voorspellen.
Als hotelier is het belangrijk om de basisprincipes van datawetenschap te begrijpen. Laat de feitelijke datawetenschap over aan een bedrijf als IDeaS met toegewijde datawetenschapsteams die oplossingen kunnen bieden voor al je databehoeften.
